本文關(guān)鍵詞： 汽車起重機主泵 狀態(tài)監(jiān)控 智能故障診斷 小波去噪 bootstrap 白化檢驗 AFDR 小波leaders多重分形特征 PSO-RVM ANT-SVDD DBI K均值聚類　出處：《上海交通大學(xué)》2013年博士論文　論文類型：學(xué)位論文

【摘要】：設(shè)備在服役期內(nèi)的安全性、可靠性越來越受到業(yè)界的重視。起重機廣泛應(yīng)用于眾多基礎(chǔ)建設(shè)項目，工作環(huán)境惡劣復(fù)雜，是事故率最高的特種機械設(shè)備之一。設(shè)備關(guān)鍵部件發(fā)生故障，就可能破壞整臺設(shè)備甚至影響整個生產(chǎn)過程，不僅造成巨大的經(jīng)濟損失，甚至可能導(dǎo)致災(zāi)難性的人員傷亡事故。實時監(jiān)控設(shè)備運行狀態(tài)、及時對其故障進行診斷是避免非計劃停機和保障起重機安全生產(chǎn)的重要措施。 基于數(shù)據(jù)驅(qū)動的狀態(tài)監(jiān)控與智能診斷是當(dāng)前研究的一個熱點，同時也面臨著一系列理論和技術(shù)上的挑戰(zhàn)：復(fù)雜噪聲環(huán)境下有用信號的提取；設(shè)備運行狀態(tài)有效特征的提��；基于實時在線智能故障診斷模型的建立；以及針對故障樣本稀缺和故障模式不完備情況下智能診斷模型的建立等。本文研究復(fù)雜工作環(huán)境下工程機械狀態(tài)監(jiān)控與故障診斷的共性關(guān)鍵理論方法與技術(shù)，并應(yīng)用于大型汽車起重機主泵。主要內(nèi)容包括： （1）小波去噪是信號處理領(lǐng)域中的重要方法，如何確定小波分解層數(shù)是一個關(guān)鍵問題。本文針對加性高斯白噪聲的情況，提出了基于blockbootstrap進行白化檢驗確定小波分解層數(shù)的新方法。主要包含三個步驟：首先對信號進行小波分解，利用延遲自相關(guān)量考察小波系數(shù)的相關(guān)性；其次，根據(jù)每層系數(shù)相關(guān)性的程度，采用block bootstrap過程或者bootstrap過程對原始的小波系數(shù)進行采樣產(chǎn)生新的bootstrap樣本；最后，由于有用信號和噪聲在小波空間上不同的傳播特性，對獲得的小波系數(shù)樣本進行白化檢驗，繼而確定合適的分解層數(shù)。實驗表明，該方法對白噪聲污染信號能夠獲得合適的分解層數(shù)和良好的去噪效果。 （2）小波閾值的選取是小波去噪的另一個關(guān)鍵因素。本文提出了一個基于Advanced False Discovery Rate （AFDR）的多假設(shè)檢驗方法確定小波閾值的新方法，該方法基于對真的原假設(shè)數(shù)目的估計，選擇合適的step wise過程（step-up，step-down，step-up-down）。AFDR過程與標(biāo)準(zhǔn)的FDR過程相比，有兩個主要特點：通過減少比較的次數(shù)，提高了多假設(shè)檢驗的效率；提高了檢驗的勢。對應(yīng)的的自適應(yīng)小波去噪方法主要包含兩個步驟，第一，模型在小波域得到更緊湊的表示，第二，根據(jù)小波系數(shù)本身的特點，選擇最合適的FDR過程。仿真數(shù)據(jù)和實際實驗表明，算法能夠靈活調(diào)整顯著性水平的大小并有效去噪，本方法濾波效果與其它經(jīng)典的濾波技術(shù)相比，具有一定的優(yōu)勢。 （3）基于小波leaders多重分形分析提出了振動信號特征提取新方法。在本文算法中，由尺度指數(shù)、多重分形譜和log累積量構(gòu)成多重分形特征對設(shè)備不同故障狀態(tài)和故障程度進行診斷，并對各分形特征及其組合的分類性能進行評估。8個小波包能量特征也被引入到特征集合，實驗在軸承11組故障數(shù)據(jù)集上表明，能夠獲得較為理想的分類效果。同時表明，多重分形特征結(jié)合小波包能量特征的分類性能優(yōu)于多重分形特征或小波包能量特征或時域統(tǒng)計特征，也優(yōu)于時域統(tǒng)計特征與小波包能量特征或多重分形特征的組合特征。利用距離評價準(zhǔn)則，對組合特征進行選擇，冗余特征的去除，使分類性能進一步得到提高。 （4）提出了基于粒子群相關(guān)向量機（Relevance Vector Machines withParticle Swarm Optimization，PSO-RVM）的智能診斷方法，，其中粒子群算法用于優(yōu)化相關(guān)向量機核函數(shù)的參數(shù)，各二值相關(guān)向量機按二叉樹的組織形式構(gòu)成系統(tǒng)的診斷模型。實驗表明該方法所得模型需要的相關(guān)向量個數(shù)很少，而且能夠得到比較高的診斷精度，適合對實時性要求高的在線診斷系統(tǒng)。另外，針對機械運行最初階段，往往只有正常狀態(tài)的樣本，到一定階段后故障樣本才逐漸增多，常規(guī)故障診斷模型無法進行有效的訓(xùn)練這一問題，本文提出了一個基于蟻群支持向量數(shù)據(jù)描述(SupportVector Data Description with Ant Colony Optimization，ANT-SVDD)新異類檢測和Davies Bouldin指數(shù)（Davies Bouldin Index，DBI）K均值聚類方法結(jié)合的機械故障診斷框架。首先對正常狀態(tài)樣本建立SVDD模型，并利用蟻群算法對SVDD模型參數(shù)進行優(yōu)化。當(dāng)拒絕樣本數(shù)目累積到設(shè)定的閾值時，對這些樣本利用K均值聚類方法進行處理，獲得能夠進行標(biāo)記的類別，其中，K均值聚類的類型數(shù)目由Davies Bouldin指數(shù)輔助確定。最后，對這些標(biāo)記出的各類樣本，分別建立SVDD模型進行訓(xùn)練，由這些SVDD分類器按照二叉樹形式組成對系統(tǒng)狀態(tài)的完整診斷模型。實驗驗證了所提算法的有效性。 （5）提出了汽車起重機智能維護總體框架設(shè)計和數(shù)據(jù)庫系統(tǒng)設(shè)計，并利用本文所提出的狀態(tài)監(jiān)控和故障診斷關(guān)鍵技術(shù)，進行汽車起重機主泵基于小波預(yù)處理技術(shù)的狀態(tài)監(jiān)控分析和基于PSO-RVM、ANT-SVDD聚類的智能診斷研究。信號消噪前后的包絡(luò)譜表明，利用所提出的預(yù)處理技術(shù)，可以明顯改善信號質(zhì)量，提高狀態(tài)監(jiān)控的準(zhǔn)確性。針對汽車起重機柱塞泵6種狀態(tài)，包括正常，軸承內(nèi)圈故障，滾動體故障，柱塞故障，配流盤故障，斜盤故障，建立PSO-RVM診斷模型，并與后向傳播神經(jīng)網(wǎng)絡(luò)（Back-Propagation Artificial Neural Network，BP-ANN）,蟻群優(yōu)化神經(jīng)網(wǎng)絡(luò)（Ant Colony Optimization Artificial Neural Network，ANT-ANN）,相關(guān)向量機方法（Relevance Vector Machines，RVM），粒子群支持向量機（Support Vector Machines with Particle Swarm Optimization，PSO-SVM）進行比較。診斷結(jié)果表明，PSO-RVM比BP-ANN、ANT-ANN、RVM具有更高的識別精度，與PSO-SVM識別精度相當(dāng)，分別達到99.17%和99.58%，但是所需相關(guān)向量的數(shù)目遠(yuǎn)小于支持向量的個數(shù)，每個二分類RVM的相關(guān)向量數(shù)目是對應(yīng)SVM的支持向量數(shù)目的1/12－1/3。進一步驗證了PSO-RVM更適合在線實時監(jiān)控。利用主泵相同的數(shù)據(jù)，首先對主泵正常狀態(tài)建立ANT-SVDD模型，然后對異常樣本根據(jù)DB指數(shù)進行聚類，將由新發(fā)現(xiàn)類型樣本建立的ANT-SVDD分類器組合進系統(tǒng)診斷模型，實現(xiàn)了主泵新增故障類的智能診斷。
[Abstract]:......
【學(xué)位授予單位】：上海交通大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2013
【分類號】：TH165.3;TH213.6

【引證文獻】

相關(guān)期刊論文 前1條

1 苗博;;汽車起重機故障監(jiān)測與診斷技術(shù)發(fā)展[J];硅谷;2013年18期

本文編號：1483187